王 剛

（廣東省國土資源測繪院，廣州510500）

1 引言

隨著遙感和攝影測量技術(shù)的發(fā)展，地表植被覆蓋數(shù)據(jù)的獲取方式逐漸由傳統(tǒng)的地面測繪，發(fā)展為基于多光譜遙感影像和激光雷達(dá)的植被特征檢測。其中多光譜影像能夠通過植被的光譜特征有效識別植被分布；而激光點(diǎn)云由于其獨(dú)特的多次回波特性，能夠準(zhǔn)確提取地表植被點(diǎn)云。然而多光譜遙感和激光點(diǎn)云設(shè)備較為昂貴，且體積和重量較大，難以掛載到小型無人機(jī)上，限制了其在小范圍、低成本項(xiàng)目中的應(yīng)用。

相比之下，無人機(jī)掛載普通可見光鏡頭進(jìn)行傾斜攝影測量，能夠低成本、高效率的獲取地表三維點(diǎn)云。因此越來越多的學(xué)者開始研究可見光點(diǎn)云中的植被檢測方法。Natrajan 等［1］提出了使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和遷移學(xué)習(xí)方法對植被三維點(diǎn)云進(jìn)行分類。這種方法能夠有效識別葡萄等農(nóng)作物，但是容易將苔蘚識別為植被，影響了分類精度。Zhao 等［2］提出了一種基于參考光譜背景去除（Reference Spectral Background Removal，RSBR）的新算法，可以通過去除圖像背景來提取高密度植物區(qū)域，然而在植被密度較低的環(huán)境里精度不夠理想。Brodu 和Lague［3］設(shè)計(jì)了針對復(fù)雜自然環(huán)境的三維點(diǎn)云分類方法，獲得了較高的植被識別精度，但是這種方法需要相當(dāng)程度的人工干預(yù)才能獲取理想的精度。因此，本文以可見光點(diǎn)云的植被特征提取為切入點(diǎn)，提出了一種能夠從傾斜攝影測量點(diǎn)云中有效檢測出植被特征的方法，并通過實(shí)驗(yàn)對本方法的可行性進(jìn)行了驗(yàn)證。

2 理論方法

2.1 點(diǎn)云預(yù)處理

2.1.1 點(diǎn)云平滑 傾斜攝影測量三維重建過程中，通常會在重疊度較高或具有明顯特征的區(qū)域生成大量數(shù)據(jù)，而在邊緣等重疊度較低或特征不明顯的區(qū)域生成較少點(diǎn)云。雖然密集點(diǎn)云包含更多信息，但是大量的點(diǎn)在訓(xùn)練階段需要更高的處理能力，同時(shí)也引入了三維重建過程中的誤差。因此，為了減少分類時(shí)的計(jì)算量和分類時(shí)的誤差，需要對點(diǎn)云進(jìn)行平滑處理。首先采用基于密度的聚類（DBSCAN）算法對點(diǎn)云進(jìn)行初步的聚類［4］，然后對每個(gè)聚類構(gòu)造超平面，將與此超平面距離超過閾值的點(diǎn)剔除，從而生成更加平滑和均勻的點(diǎn)云。

2.1.2 數(shù)據(jù)壓縮 為了減少了機(jī)器學(xué)習(xí)必須處理的信息量，提升處理性能，需要對點(diǎn)云進(jìn)行壓縮。本文選擇CIR 1991 模型［5］，如式（1）所示對點(diǎn)云的灰度信息進(jìn)行壓縮。該式根據(jù)植被中的顏色分布頻率為每個(gè)通道設(shè)定了權(quán)重，并將其轉(zhuǎn)換為單一的灰度信息。由于綠色是植被中最常見的顏色，因此綠色通道比紅色通道和藍(lán)色通道的權(quán)重更大。

隨后，該灰度通道被壓縮成直方圖，用作分類過程中的參數(shù)。由于灰度值介于0—255 之間，因此可以通過將灰度值的直方圖估計(jì)為八類，每類代表32個(gè)灰度值的頻率來實(shí)現(xiàn)壓縮。

2.2 植被特征提取

本文采用PFH （Point Feature Histogram，點(diǎn)特征直方圖）描述子進(jìn)行特征提取，該幾何特征通過使用多維直方圖對點(diǎn)周邊鄰域的平均曲率進(jìn)行編碼，從而實(shí)現(xiàn)中心點(diǎn)鄰域范圍內(nèi)空間差異的量化［6］。這種高維度特征表達(dá)方式不僅具有信息密度高的特點(diǎn)，同時(shí)具有平移和縮放不變性，能夠較好的適應(yīng)不同采樣密度和噪聲的影響。其主要流程如下圖所示：首先對點(diǎn)云進(jìn)行計(jì)算，生成特征向量。然后根據(jù)特征向量生成直方圖，最后根據(jù)直方圖的匹配情況進(jìn)行分類。

圖1 PFH特征提取流程圖

圖2 不同地物點(diǎn)直方圖示意

具體計(jì)算步驟如下：

（1）對于給定點(diǎn)P，其鄰域空間內(nèi)有N個(gè)相鄰點(diǎn)；

（2）令P1、P2為領(lǐng)域中的任意兩點(diǎn)，其法線向量分別為n1、n2；

（3）在點(diǎn)P1上建立局部坐標(biāo)系，坐標(biāo)系的三個(gè)單位向量u、v、w依次為

（4）基于已建立的坐標(biāo)系，可以通過三個(gè)角度(α，φ，θ)來計(jì)算兩個(gè)法線之間的差異，具體如下：

圖3 局部坐標(biāo)系示意圖

（5）遍歷鄰域中的全部n個(gè)點(diǎn)，計(jì)算出每兩個(gè)點(diǎn)之間的(α，φ，θ)三元角度組，總計(jì)得到個(gè)三元角度組。三元組中的每個(gè)特征值根據(jù)經(jīng)驗(yàn)拆分為5等分，將其轉(zhuǎn)換成一個(gè)125維的直方圖，其中每一個(gè)維度代表了一個(gè)角度的取值范圍。則P點(diǎn)的特征即表現(xiàn)為全部三元組分布在每個(gè)取值范圍內(nèi)的頻率統(tǒng)計(jì)結(jié)果。

（6）不同類型的地物點(diǎn)的PFH 特征之間會有很大的差別，而相似的地物直接則會有接近的直方圖分布。因此我們可以利用這個(gè)特征，根據(jù)直方圖的相似程度，對點(diǎn)云進(jìn)行分類。

2.3 分類后處理

完成分類后，根據(jù)地面點(diǎn)的顏色和與相鄰植被點(diǎn)之間的距離綜合考慮，找出其中未正確識別出的地面點(diǎn)加以剔除，進(jìn)一步優(yōu)化植被點(diǎn)云。具體思路為：當(dāng)某個(gè)植被點(diǎn)與相鄰地面點(diǎn)之間的距離小于地面點(diǎn)之間的平均距離，且該點(diǎn)顏色與最近的植被點(diǎn)聚類的平均顏色差距較大時(shí)，則認(rèn)為該點(diǎn)為地面點(diǎn)，從植被點(diǎn)云中剔除。

3 實(shí)驗(yàn)分析

確定特征描述子后，采用基于支持向量機(jī)（SVM）的監(jiān)督分類方法進(jìn)行訓(xùn)練。本文采用大疆精靈4RTK 無人機(jī)，在梅州市蕉嶺縣龍?zhí)读謭鲞M(jìn)行了傾斜攝影測量。飛行高度120 m，航向重疊度為80%，旁向重疊度為70%，有效航測面積3.2 km2，采用Mirauge3D 三維建模軟件進(jìn)行三維重建，生成的點(diǎn)云按照4∶1 的比例拆分為訓(xùn)練集和測試集［7］。

首先采用商用點(diǎn)云處理軟件LiDAR360 對訓(xùn)練集進(jìn)行初步分類，并對自動(dòng)分類結(jié)果進(jìn)行人工檢查和修改，將點(diǎn)云標(biāo)識為植被點(diǎn)和地面點(diǎn)兩類作為訓(xùn)練樣本。然后根據(jù)訓(xùn)練樣本學(xué)習(xí)后的結(jié)果對測試集進(jìn)行監(jiān)督分類，得到結(jié)果如圖4所示，其中灰色為正確分類的地面點(diǎn)，綠色為正確分類的植被點(diǎn)，紅色為被錯(cuò)誤分類的植被點(diǎn)，黃色為被錯(cuò)誤分類的地面點(diǎn)。

圖4 植被檢測結(jié)果

分類結(jié)果統(tǒng)計(jì)如下：

從實(shí)驗(yàn)結(jié)果分析來看，本方法具有較高的準(zhǔn)確率和召回率，這說明植被檢測的精度是比較高的，能夠?qū)⒔^大多數(shù)植被點(diǎn)提取出來。然而精確率相對不高，說明本方法雖然基本將植被都檢測出來了，但是檢測到的結(jié)果中存在一定比例的錯(cuò)誤結(jié)果，將部分非植被點(diǎn)如建筑物、車輛誤認(rèn)為是植被了。從較高的F1 值來看，總體的植被檢測結(jié)果具有較強(qiáng)的健壯性，能夠穩(wěn)定可靠的檢測出植被點(diǎn)。

相比其他植被檢測方法，高光譜遙感多采用NDVI（歸一化差值植被指數(shù)）、RVI（比值植被指數(shù)）及SAV（土壤調(diào)節(jié)植被指數(shù)）［8］等植被指數(shù)結(jié)合支持向量機(jī)、決策樹等方法進(jìn)行植被提取，一般能夠達(dá)到77.25%—91.87%的提取精度［8-9］，與本方法對比沒有明顯的精度提升，但是對數(shù)據(jù)源的要求則高出很多。基于Lidar 的植被提取精度雖然精度比較高，可達(dá)98.3%［10］甚至更高，但是激光設(shè)備昂貴，難以滿足低成本、小型化的項(xiàng)目需求。

表1 分類結(jié)果統(tǒng)計(jì)表

4 結(jié)論

傾斜攝影測量獲取的三維點(diǎn)云由于可見光無法穿透植被的原因，無法利用多次回波的方式來檢測植被；同時(shí)由于缺乏近紅外光譜數(shù)據(jù)，難以通過NDVI 等方法進(jìn)行植被檢測。因此本文工作旨在通過傾斜三維點(diǎn)云中包含的幾何特征和可見光信息來提取植被特征。首先對數(shù)據(jù)進(jìn)行預(yù)處理，通過聚類至超平面的距離閾值對點(diǎn)云進(jìn)行平滑，然后對點(diǎn)云光譜信息進(jìn)行壓縮，減少數(shù)據(jù)處理量；接著通過PFH 特征描述子進(jìn)行特征提取，將植被典型特征描述為直方圖；然后根據(jù)直方圖匹配對植被點(diǎn)進(jìn)行分類，分類后根據(jù)色彩和距離進(jìn)一步對分類結(jié)果進(jìn)一步過濾；最后采用基于SVM 的監(jiān)督分類方法進(jìn)行訓(xùn)練和分類。

總的來說，本方法只需要通過無人機(jī)掛載光學(xué)相機(jī)進(jìn)行傾斜攝影測量，即可從三維重建獲取的點(diǎn)云中提取出植被特征，在人工構(gòu)筑物較少的區(qū)域具有比較高的精度，具有一定實(shí)際應(yīng)用價(jià)值。